[发明专利]基于异方差噪声孪生LSSVR的风速预报装置及方法

说明书

本发明公开了一种基于异方差噪声孪生LSSVR的风速预报方法，包括以下步骤：A、获取待预测地区具有异方差噪声影响的风速数据集D₁，计算得到基于异方差噪声特性的损失函数；B、基于异方差噪声特性孪生最小二乘支持向量回归的原问题，推导并求解基于异方差噪声特性孪生最小二乘支持向量回归的对偶问题；C、确定基于异方差噪声特性孪生最小二乘支持向量回归对偶问题的惩罚参数及核参数，选取合适的核函数；构造基于异方差噪声特性孪生最小二乘支持向量回归的上界和下界函数，最后构造决策函数；D、构造基于异方差噪声特性的孪生最小二乘支持向量回归的风速预报模型并对风速进行预报。本发明能够改进现有技术的不足，提高了风速预报精度。

技术领域

本发明涉及短期风速预报技术领域，尤其是一种基于异方差噪声孪生LSSVR的风速预报装置及方法。

背景技术

于线性系统而言，从Gauss时代起，就利用最小二乘技术把平面上的点拟合成直线，把高维空间的点拟合成超平面。经历了200多年的发展，经典最小二乘技术已经成为许多领域数据处理的最广泛使用的技术。但是，对于线性回归或非线性回归中的不适定问题，基于最小二乘回归技术的性能会变得很坏，针对这种情况，众多学者研究了最小二乘回归的改进模型，提出了许多新的回归算法。孪生的最小二乘支持向量回归(Twin Leastsquares support vector regression，简记为TLSSVR)就是其中之一，孪生最小二乘支持向量回归模型是一种专门用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法。通过沿着两个非平行超平面的线，最小二乘支持向量回归得到增强。孪生最小二乘支持向量回归保留了最小二乘支持向量回归的性能，因为它也需要求解线性方程。设给定风速数据：

D_l＝{(x₁，y₁)，(x₂，y₂)，…，(x_l，y_l)} (1)

其中x_i∈Rⁿ，y_i∈R，i＝1，2，…l，多元线性回归模型为f(x)＝ω^T·x+b，其中 i＝1，…，l，参数向量ω∈Rⁿ决定孪生最小二乘支持向量回归模型，其中 x_i∈X＝Rⁿ，Rⁿ表示n维欧式空间，R表示实数集，l表示样本个数，上标 T表示转置运算。通过最小化目标函数：

其中C₁，C₂是惩罚参数，是权重参数，目标函数(2)中假设样本噪声服从高斯分布，其均值为0，方差为σ²(i＝1，…，l)，即y_i＝f(x_i)+ξ_i，i＝1，…，l，ξ_i～N(0，σ²)。式(2)中的表示最小二乘支持向量回归模型的目标函数。

孪生最小二乘支持向量回归机在解决线性回归问题中取得了良好的效果。在实际应用中，样本D_l中x_i与y_i一般不满足线性关系，这样线性 TLSSVR-GN在解决非线性回归问题时往往不能取得预期的效果。2000年， Suykens等提出的基于Gauss噪声模型的最小二乘回归机，通过核技术构造合适的核变换Φ：Rⁿ→H(H为Hilbert空间)，利用Hilbert空间中的內积运算引进非线性核函数K(x_i，x_j)＝(Φ(x_i)·Φ(x_j))，从而把非线性问题转化为线性问题来解决。一般地，基于高斯噪声特性孪生最小二乘回归机通过最小化目标函数来求解：